論文の概要: Efficient Resource Optimization for Split Federated Learning

• arxiv url: http://arxiv.org/abs/2608.17849v1
• Date: Tue, 18 Aug 2026 14:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.370164
• Title: Efficient Resource Optimization for Split Federated Learning
• Title（参考訳）: スプリットフェデレーション学習のための効率的な資源最適化
• Authors: Wei Wei, Xianhao Chen,
• Abstract要約: スプリット・フェデレーションド・ラーニング(SFL)は、エッジでのモデルトレーニングの強力なパラダイムとして登場した。 SFLの以前の最適化スキームは、テキスト理論的あるいはテキスト計算的に非効率的であり、大規模なユーザ人口を扱えない。 本研究は,資源制約ネットワーク下でのSFLの効率的な最適化フレームワークを確立する。
• 参考スコア（独自算出の注目度）: 13.044538176308023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Split federated learning (SFL) has emerged as a powerful paradigm for model training at the edge. However, SFL inherently involves discrete decision variables for model splitting and resource allocation, resulting in a challenging mixed-integer problem. Consequently, prior optimization schemes for SFL are either \textit{heuristic} or \textit{computationally inefficient}, which cannot handle large-scale user populations. To address this limitation, this work establishes an efficient optimization framework for SFL under resource-constrained networks. Our framework jointly optimizes model splitting and resource allocation to minimize training cost, which is defined as the weighted sum of latency and energy costs. We first study the model splitting problem and develop a polynomial-time algorithm that achieves the global optimum. Then, we extend the approach to the joint model splitting and resource allocation problem. In this case, we formulate it as a two-dimensional master problem and develop an efficient approximation method with a $(1+ε)$-approximation guarantee. Extensive experiments show that the proposed approach provides efficient solutions to strike the optimal energy--latency tradeoff.
• Abstract（参考訳）: スプリット・フェデレーションド・ラーニング(SFL)は、エッジでのモデルトレーニングの強力なパラダイムとして登場した。 しかし、SFLは本質的に、モデル分割とリソース割り当てのための離散的な決定変数を伴い、結果として混合整数問題に挑戦する。 したがって、SFLの事前最適化スキームは、大規模なユーザ人口を扱えないtextit{heuristic} または \textit{computationally in efficient} のいずれかである。 この制限に対処するため、資源制約ネットワーク下でのSFLの効率的な最適化フレームワークを確立する。 本フレームワークは,モデルの分割と資源配分を協調的に最適化し,トレーニングコストを最小化し,レイテンシとエネルギーコストの重み付け和として定義する。 モデル分割問題をまず研究し,大域的最適化を実現する多項式時間アルゴリズムを開発した。 そこで我々は,共同モデル分割問題と資源配分問題へのアプローチを拡張した。 この場合、これを二次元マスター問題として定式化し、$(1+ε)$-approximationの保証付き効率的な近似法を開発する。 大規模な実験により、提案手法は最適エネルギー-遅延トレードオフを打つための効率的な解を提供することが示された。

関連論文リスト

• ASFL: An Adaptive Model Splitting and Resource Allocation Framework for Split Federated Learning [19.973768722251393]
  本稿では,無線ネットワーク上でのASFL(Adaptive split Federated Learning)フレームワークを提案する。 ASFLは中央サーバの計算資源を利用してモデルをトレーニングし、適応的なモデルの分割を可能にする。 提案するASFLフレームワークは, より高速に収束し, 総遅延およびエネルギー消費を最大75%, 80%削減することを示した。
  論文  参考訳（メタデータ） (2026-02-19T05:46:13Z)
• Device Association and Resource Allocation for Hierarchical Split Federated Learning in Space-Air-Ground Integrated Network [12.484890461669828]
  6Gは宇宙空間統合ネットワーク(SAGIN)におけるフェデレートラーニング(FL)の展開を促進する 本稿では,階層的分割型フェデレート学習フレームワークを提案し,損失関数の上限を導出する。 元の問題をいくつかのサブプロブレムに分解し、デバイスアソシエーションとリソース割り当てのための反復最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-01-20T10:24:10Z)
• Don't Be Greedy, Just Relax! Pruning LLMs via Frank-Wolfe [61.68406997155879]
  State-of-the-art Large Language Model (LLM) プルーニング手法は階層的に動作し、階層ごとのプルーニングエラーを最小限に抑え、完全な再トレーニングを回避する。 既存の手法は、刈り上げ対象の重量相互作用を無視する欲求凸に依存する。 提案手法は, 層ごとのプルーニング誤差を大幅に低減し, 最先端のGPTアーキテクチャにおいて高いベースラインを達成し, メモリ効率を保っている。
  論文  参考訳（メタデータ） (2025-10-15T16:13:44Z)
• Efficient Split Federated Learning for Large Language Models over Communication Networks [45.02252893286613]
  分散方式で訓練済みの大規模言語モデル(LLM)を微調整することで、リソース制約のあるエッジネットワークにおいて大きな課題が生じる。 本稿では,分割フェデレーション学習とパラメータ効率のよい微調整技術を統合する新しいフレームワークであるSflLLMを提案する。 モデル分割とローランク適応(LoRA)を活用することにより、SflLLMはエッジデバイスの計算負担を軽減する。
  論文  参考訳（メタデータ） (2025-04-20T16:16:54Z)
• Adaptive Decentralized Federated Learning in Energy and Latency Constrained Wireless Networks [4.03161352925235]
  中央ノードで集約されたパラメータを持つフェデレートラーニング(FL)では、通信オーバーヘッドがかなり懸念される。 最近の研究では、分散フェデレートラーニング(DFL)が実現可能な代替手段として紹介されている。 エネルギーと遅延の制約を考慮してDFLの損失関数を最小化する問題を定式化する。
  論文  参考訳（メタデータ） (2024-03-29T09:17:40Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。